改进的BP神经网络在铁路客运量时间序列预测中的应用

针对目前铁路客运量预测方法的不足,采用改进的BP神经网络对铁路客运量时间序列进行预测。分析改进的BP神经网络原理,对1980年—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列神经网络预测模型,设计网络参数,进行网络学习与训练的仿真试验。对比分析改进的BP神经网络与标准的BP神经网络预测结果,证明改进的BP神经网络预测结果更准确,精度更高。     

融合人工智能算法的铁路路基沉降预测方法

首先利用三阶多项式拟合、GM(1,1)和BP神经网络等算法构建了铁路路基沉降单预测模型；然后基于误差法和熵值法，以合肥地铁4号线盾构隧道下穿既有铁路的监测数据为基础，融合三阶多项式拟合、GM(1,1)和BP神经网络构建了组合预测模型，实现铁路路基沉降的分阶段预测；最后，利用平均绝对误差、均方误差和平均绝对百分比误差评价模型精度。结果表明：基于误差法和熵值法的组合预测模型能显著提高预测精度，预测相对误差均小于±5%，预测均方根误差均小于±0.1 mm，验证了提出的组合预测模型的有效性。     

BP神经网络法预测隧道瓦斯突出的模型与实例

研究目的:目前隧道煤与瓦斯突出预测主要采用煤炭的常规接触式预测方法,如综合指标法、钻屑指标法等,但隧道与煤巷在断面大小、施工支护等方面有诸多不同,照搬煤炭预测方法并不一定能取得预期效果。本文根据煤与瓦斯突出综合作用假说,借鉴BP神经网络原理,对隧道瓦斯突出的多指标神经网络综合预测进行探讨,确定突出的评价指标,构建神经网络预测模型,通过神经网络模型的训练和回判,综合评价预测煤与瓦斯突出危险性。研究结论:(1)在综合分析突出影响因素基础上,基于瓦斯突出综合作用假说机理,提出了BP神经网络预测隧道煤与瓦斯突出危险性的方法;(2)选取瓦斯压力、地质构造、隧道埋深、煤的坚固系数、煤体结构类型及瓦斯放散初速度作为突出评价指标;(3)采集矿井突出样本进行神经网络模型的训练及回判,通过对已建成瓦斯隧道进行判别,判别结果与实际相符,验证了矿井突出样本应用到瓦斯隧道的突出预测可行性;(4)通过BP神经网络对成贵高铁7座高瓦斯隧道进行预测判别,表明玉京山隧道C5、C6煤层具有突出危险性,其他6座隧道无突出危险性;(5)本研究成果可为瓦斯隧道设计与施工提供借鉴。     

基于小波神经网络高铁运营监测预测方法研究

以某段高段变形监测项目半年(共7期)的监测数据为例,对当前较为常用的预测方法:指数曲线法、抛物线法、Asaoka法,回归分析法、卡尔曼滤波、灰色理论、仿真分析法、BP神经网络分析法与小波神经网络进行对比分析,得出利用小波神经网络预测模型预测高铁运营沉降在收敛性、容错性、逼近能力上更有优势,预测精度更高,预测结果和实测数据更加吻合的结论。     

基于FOA-BP神经网络的高铁沉降预测

BP神经网络在沉降预测过程中存在预测精度有限、收敛速度慢等缺点。为提高BP神经网络在高铁沉降预测中的精度,基于改进的果蝇算法(FOA),利用其味道浓度函数来代替BP神经网络中的梯度函数,建立果蝇算法优化BP神经网络的预测模型—FOA-BP模型。通过果蝇种群迭代寻优获取最合适的权值和阈值,重新构建BP神经网络进行沉降预测。分别采用BP神经网络算法与FOA-BP神经网络算法对某高铁路基沉降监测点的沉降趋势进行预测,将两种算法的迭代次数、均方误差与平均相对百分比误差3个指标进行对比分析,结果表明:FOA-BP神经网络算法的三种指标均远小于BP神经网络算法,其模型精度更高,预测速度更快。     

基于MEA-BP神经网络的自锚式悬索桥施工阶段吊索索力预测分析

为减小自锚式悬索桥在施工过程中吊索索力偏差对桥梁线形的影响程度，提高有限元模型的计算效率，提出一种基于思维进化(MEA)算法优化BP神经网络的吊索索力预测方法，以实现对桥梁各施工阶段的高精度逼近与吊索索力的快速反馈。在考虑施工过程中材料参数、荷载参数和环境温度等因素的不确定性基础上，结合有限元模型得到神经网络训练样本集。通过MEA算法实现BP神经网络权值与阈值的寻优，从而提高BP神经网络的预测精度。以某空间索面自锚式悬索桥为工程背景，建立该座桥梁的MEA-BP神经网络预测模型。结果表明，MEA-BP神经网络较传统BP神经网络具有更强的泛化能力与预测精度，MEA-BP神经网络的预测值与现场实测值的误差在10%以内，MEA-BP神经网络模型在索力预测方面具有较好的适用性。     

RBF神经网络在铁路货运量预测中的应用

基于回归和时间序列模型的传统预测方法以及目前较为常用的灰色预测和BP神经网络预测方法，建立了RBF神经网络模型对全国铁路货运量进行详细分析和预测。利用铁路货运量的原始数据构造时间序列，并对时间序列进行分析和相应的处理。将处理后的数据构造为一个非线性映射，利用RBF神经网络进行逼近。利用Matlab对灰色预测、BP神经网络预测和RBF神经网络预测模型进行仿真实验，得出3种预测模型的平均相对误差，分别为7.67%、4.79%和1.31%。表明RBF神经网络预测方法的预测精度比另外两种预测方法高很多，可为铁路货运量预测研究提供方法支撑。     

基于BP神经网络与GM(1,1)模型组合算法的桥梁耐久性预测

针对混凝土桥梁耐久性历史评估数据的特点,提出一种基于BP神经网络与GM(1,1)模型的桥梁耐久性组合预测方法。通过GM(1,1)模型,以部分数据作为样本进行预测,在此基础之上,引入BP神经网络对预测的残差序列进行处理,旨在克服单一预测模型的不足,取得更高的预测精度。算例表明,本文算法精度明显高于传统GM(1,1)模型,与类似算法相比,精度上也有所提高。     

基于神经网络的双模盾构复合地层掘进参数预测模型

依托深圳市轨道交通12号线怀德站-福永站区间隧道工程，基于EPB/TBM双模盾构穿越地质参数和现场掘进监测数据，采用BP神经网络方法建立双模式盾构掘进参数预测模型，分别对地层参数及掘进模式进行量化，将刀盘扭矩、刀盘转速、螺旋机转速、总推进力、隧道埋深、围岩等级、岩石单轴饱和抗压强度及不同掘进模式作为输入参数，预测出在不同掘进模式及不同地层条件下的设备掘进速率，针对3类典型地层的预测结果进行可视化分析验证，并对预测模型精度进行改进分析。结果表明：神经网络预测模型在TBM模式下的微风化段平均相对误差为8.6%,EPB模式下的强风化段平均相对误差为10.6%,EPB模式下的中风化段平均相对误差26.2%;该模型对强风化段及微风化段等地层强度变化较为稳定的地层预测精度较高，同时，该预测模式适用于22个隐层神经元并对掘进速率采用直接放缩的方法。     

基于BP神经网络的振冲碎石桩复合地基承载力预测

由于影响振冲碎石桩复合地基承载力的因素众多,各种因素又相互作用,很难准确地计算其地基承载力。目前较准确的复合地基承载力载荷试验方法需投入大量的人力物力且耗时长,很难满足现场施工质量实时检测及工程进度的需求。本文在总结分析振冲碎石桩复合地基承载力影响因素的基础上,利用BP神经网络强大的非线性映射能力,建立了基于BP神经网络的复合地基承载力预测模型。模型预测结果表明,利用BP神经网络来预测振冲碎石桩复合地基承载力的方法是可行的,为振冲碎石桩复合地基承载力的快速设计检算提供了一种人工智能解决方法。     

基于混合方法的风速预测模型研究

为实现铁路沿线风速的高精度预报,建立若干基于混合方法的预测模型并进行性能比较。采用小波分解(WD)和经验模态分解(EMD)将原始风速序列平稳化,采用神经网络方法(BP, ANFIS和NAR)进行预测,形成6种混合模型:WD-BP,WD-ANFIS,WD-NAR,EMD-BP,EMD-ANFIS和EMD-NAR。引入基于单一方法的预测模型及时间序列模型ARIMA作为对照组,以平均绝对误差、平均绝对百分比误差、均方根误差比较各模型预测精度。研究结果表明:混合模型的预测性能优于单一模型;单一模型中,ARIMA的预测性能优于神经网络模型;混合模型中,WD-ANFIS的预测精度最高。     

绿色高铁建设环境成本CS、BPNN估算方法研究

研究目的:如何界定高铁建设环境影响内容、估算环境成本是高铁实现绿色工程的重要内容。本文在界定高铁建设环境成本的计算内容基础上,运用显著性成本方法(CS)建立高铁建设环境成本数据库,运用BP神经网络方法预测拟建工程全生命建设环境成本,并以长益城际铁路进行实例验证,结果表明该模型适用性强,对高铁全生命建设环境成本预测准确性高。研究结论:(1)通过CS理论提取高铁工程显著性环境成本项目可以大幅简化环境成本估算工作量;(2)BP神经网络在高铁项目环境成本估算方面具有适用性;(3)为更准确估算环境成本,需进一步完善高铁项目建设环境成本数据库;(4)本文提出的高铁建设环境成本估算方法和评价体系,可应用于铁路行业高铁项目的建设环境成本估算和控制等工作。     

铁路客运量数据挖掘预测方法及应用研究

在分析铁路客票数据特征的基础上,提出采用分段模糊BP神经网络对铁路客运量进行数据挖掘预测。通过对铁路客票数据的分段处理,提高了网络学习的收敛速度和预测精度,并在MATLAB环境下建立了分段模糊BP神经网络模型,在仿真试验中各分段的期望输出和实际输出之间吻合较好,从而证明了分段模糊的数据处理方法是有效的;同时,预测的客运量和实际客运量数值非常接近,说明分段模糊BP神经网络得到的数据挖掘预测模型对铁路客运量有很好的预测效果,该预测模型可信,为预测铁路客运量提出了一种新思路。     

基于遗传算法和神经网络的润扬长江大桥深基坑变形预测

针对深基坑变形问题,用遗传算法优化BP神经网络的初始权重,建立了GA-BP神经网络深基坑变形预测模型,克服了BP神经网络收敛速度慢、易陷入局部极小点的缺点。利用模型对润扬长江公路大桥南锚碇深基坑变形进行分析,并对模型拟合结果进行了检验,结果表明深基坑变形和支撑轴力具有一致响应趋势,预测模型性能良好,预测精度较高,简便易行。     

长大山岭隧道涌水量的BP神经网络时间序列预测模型

基于BP神经网络时间序列的隧道涌水量预测模型不必考虑隧道涌水量的影响因素及其关系,而是将隧道涌水量的时间序列做归一化处理,作为模型的输入输出变量,通过历史数据和所建立的预测模型来预测隧道涌水量。以一隧道1999年6月—2000年6月涌水数据序列为例,进行了基于BP神经网络时间序列模型的隧道涌水量预测,预测误差约为5.74%,满足精度要求。     

基于BP人工神经网络的基坑围护结构变形预测方法研究

基坑的变形分析是基坑工程设计中的一个重要组成部分,如何预测基坑围护结构的变形是需要解决的问题。在分析基坑围护结构变形影响因素的基础上,采用BP(Error Back-Propagation,简称EBP或BP)人工神经网络方法建立了基坑围护结构变形的预测模型。结合南京地铁二号线逸仙桥车站基坑变形的现场监测数据对网络模型的预测结果与实测进行了对比。结果表明,利用大量的基坑工程现场实测资料,采用神经网络BP算法,可以较为准确地预测基坑围护结构的变形量,预测值与实测值吻合较好;必须坚持现场监测,并将最新监测信息及时反馈,将其添加到学习训练样本中,让神经网络重新学习,以提高基坑工程围护结构变形的预报精度。     

基于DEACO-WNN的盾构施工地表沉降预测

研究目的:近年来,我国地铁建设飞速发展,全国有近四十个城市在修建地铁。盾构施工是地铁建设的主要施工方式,由于盾构施工引起的地表沉降问题,为施工安全带来很多的困扰。为了减少施工过程中的安全隐患,提高施工质量和效益,对盾构施工引起的地表沉降进行研究意义重大。研究结论:本文通过对盾构施工地表沉降的影响因素和预测模型进行研究,得到以下结论:(1)在研究了对于盾构施工地表沉降较为敏感的参数中选取了覆土厚度、压缩模量、凝聚力、天然密度、内摩擦角、千斤顶推力、注浆压力,并将其作为输入层建立了小波神经网络预测模型;(2)用差分进化蚁群算法以相对熵为标准对小波神经网络的初始权值、伸缩参数和平移参数进行优化,使得预测模型的收敛速度和预测精度都有显著提高;(3)通过北京地铁6号线实地工程数据进行验证,预测模型的最小误差仅为0.5%,预测精度在实际工程所允许的范围内;(4)本文所建立的模型对盾构施工安全防护领域具有指导意义,通过对地表沉降的有效预测来改进施工工艺,进而增强施工的安全性。     

客货共线无砟轨道平顺状态预测模型

客货共线无砟轨道的轨道质量指数(TQI)具有随时间长期缓慢变化并伴随平稳波动的特点,而现有的预测模型难以预测这种变化。基于小波和时间序列分析预测方法,提出ARMA-BP神经网络和ARMA-SVR预测模型。通过小波分析将TQI时间序列分解为高频和低频2个部分,采用ARMA模型对高频部分建模,分别采用BP神经网络和支持向量回归SVR模型对低频部分建模,最后对高频和低频进行综合预测。此方法可根据具体情况对具有不同特性的TQI时间序列进行针对性建模,提高预测精度。运用此方法对包西线和太中线10个无砟轨道区段TQI时间序列进行预测,结果表明:ARMA-BP神经网络与ARMA-SVR的建模精度平均值分别为98.1%和98.5%,后验差分别为0.31和0.21,均达到1级;前者对已知数据的拟合精度高,而后者对未知数据预测能力较强、泛化能力更突出。     

BP-Adaboost集成学习算法在地铁施工沉降预测中的应用研究

为解决传统地铁施工沉降预测模型中沉降不随时间有序线性变化的问题,文章基于 BP 神经网络结合 Adaboost 增强学习方法构建 BP-Adaboost 集成学习预测算法,并将其应用于某地铁基坑施工地表沉降预测。实践表明,应用 BP-Adaboost 集成学习算法预测地铁施工地表沉降,不仅能够满足相关规范限值要求,而且相较于 BP 神经网络算法、灰色GM(1,1)算法其与实测数据的拟合精度更高,能够更好地反应地铁施工地表沉降规律,可为地铁施工安全提供技术保障。     

绿色高铁建设生态环保目标规划方法研究

研究目的:高速铁路以其运行速度高、运输能力大、安全性能好、舒适程度高、能源消耗低的优势,被誉为绿色工程,越来越受到各国政府青睐。但高速铁路建设对生态环境的影响不容忽视,高速铁路线带状结构对生态环境的深度阻断和切割是最为严重的一种人为干扰方式。针对现行高铁生态环保指标体系存在的问题,有针对性地构建以优势度变化值、适时绿化率、水土流失量、动植物保护度为核心的高铁建设生态环保目标规划指标体系,并采用自适应神经模糊推理系统(ANFIS)对高铁建设生态环保指标进行目标规划。以某高铁项目为例,对该铁路的生态环保目标规划进行实证分析研究,并将ANFIS预测结果与BP神经网络预测结果进行对比分析。研究结论:(1)在不具有大量训练样本的情况下,将神经网络的学习机制引入模糊系统,采用ANFIS方法对高铁建设生态环保进行目标规划,构建人类感觉和认知成分自适应系统,该方法具有良好的适用性和可操作性;(2)与BP神经网络方法相比,ANFIS方法预测精度较高,具有很好的泛化能力;(3)构建的高铁建设生态环保目标规划指标体系,采用ANFIS法可合理地对生态环保指标进行规划,研究成果为可持续发展型绿色高铁建设提供决策依据和支持。